行为预测、信息推送方法及装置、电子设备及存储介质

技术领域

本公开涉及大数据技术领域，具体而言，涉及一种行为预测、信息推送方法及装置、电子设备及存储介质。

背景技术

目前，在面对大量数据类型不同的无序数据时，通常采用数据处理(DataProcessing，DP)的方法对数据进行分析加工，以得到有价值和意义的结果；用户行为预测作为数据处理的重要应用场景，其在结果预测、决策确定等方面应用广泛。例如，可以通过对网课学员在一段时间内的行为数据进行数据分析，来预测网课学员是否会续订相应课程。

但是，当前的行为预测方式存在准确度较低的问题。

发明内容

本公开实施例至少提供一种行为预测、信息推送方法及装置、电子设备及存储介质。

第一方面，本公开实施例提供了一种行为预测方法，包括：

获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，所述获取第一用户的第一特征数据，包括：

获取所述目标课程的第一开课时间、以及预设时段；其中，所述预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与所述历史课程的第二开课时间之间的时间差确定的；

基于所述第一开课时间以及所述预设时段，确定获取所述第一特征数据的目标时间；

基于所述目标时间，获取所述第一特征数据。

在一种可选的实施方式中，针对所述第一特征数据包括所述第一用户的行为特征数据的情况，所述行为特征数据包括下述至少一种：

互动问答参与度信息、课程回放次数、课堂小测结果信息、课程学币使用分配信息、作业完成结果信息、多学科课程分别对应的学习记录信息、用户历史沟通信息、课程签到信息、及课程报名页面操作信息；

针对所述第一特征数据包括所述第一用户的用户属性特征数据的情况，所述用户属性特征数据包括下述至少一种：

年龄信息、性别信息、定位地点信息、注册时间信息、注册方式信息、注册渠道信息、及历史报名信息；

针对所述第一特征数据包括所述第一用户的辅导教师属性特征数据的情况，所述课程辅导教师特征数据包括下述至少一种：

辅导教师个人属性信息、辅导教师历史沟通信息、辅导教师历史带课记录信息、辅导教师作业批改记录信息。

在一种可选的实施方式中，所述对所述第一特征数据进行行为预测处理，得到与所述第一特征数据对应的多个中间行为预测结果，包括：

利用多个行为预测模型，对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

其中，不同的行为预测模型的类型不同。

在一种可选的实施方式中，所述行为预测模型，包括下述至少一种：

逻辑回归模型、随机森林模型、以及梯度提升模型。

在一种可选的实施方式中，所述基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果，包括：

对所述多个中间行为预测结果进行加权求和，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，训练所述多个行为预测模型，包括：

获取多个样本用户的样本特征数据；

针对所述多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对所述每个样本用户对应的样本特征数据进行行为预测处理，得到与所述每个样本用户对应的多个样本中间行为预测结果；

基于所述每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果；

基于所述多个样本用户分别对应的样本目标行为预测结果，确定所述多个待训练的行为预测模型的模型损失，并基于所述模型损失，对所述多个待训练的行为预测模型进行训练；

经过对多个所述待训练的行为预测模型的多轮训练，得到训练好的所述多个行为预测模型。

在一种可选的实施方式中，所述样本用户包括：正样本用户、以及负样本用户；

所述获取样本用户的样本特征数据，包括：

获取多个第三用户分别针对第三课程的续订结果信息；

在所述续订结果信息，指示所述第三用户续订了第三课程的情况下，将所述第三用户确定为正样本用户，并基于所述第三课程中至少一节课的下课时间、以及所述第三用户续订所述第三课程的时间，确定所述第三用户的样本数据；

在所述续订结果信息指示所述第三用户未续订所述第三课程的情况下，将所述第三用户确定为负样本用户，并基于所述第三课程中第n节课的下课时间，确定所述第三用户的样本数据。

在一种可选的实施方式中，所述多个中间行为预测结果、及所述目标行为预测结果，包括下述至少一种：

所述第一用户续订所述目标课程的概率值、以及所述第一用户续订所述目标课程的意向程度等级。

第二方面，本公开实施例提供了一种信息推送方法，包括：

获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果；

基于所述第一用户的目标行为预测结果，为所述第一用户生成目标推送信息。

在一种可选的实施方式中，所述获取第一用户的第一特征数据，包括：

获取所述目标课程的第一开课时间、以及预设时段；其中，所述预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与所述历史课程的第二开课时间之间的时间差确定的；

基于所述第一开课时间以及所述预设时段，确定获取所述第一特征数据的目标时间；

基于所述目标时间，获取所述第一特征数据。

在一种可选的实施方式中，针对所述第一特征数据包括所述第一用户的行为特征数据的情况，所述行为特征数据包括下述至少一种：

互动问答参与度信息、课程回放次数、课堂小测结果信息、课程学币使用分配信息、作业完成结果信息、多学科课程分别对应的学习记录信息、用户历史沟通信息、课程签到信息、及课程报名页面操作信息；

针对所述第一特征数据包括所述第一用户的用户属性特征数据的情况，所述用户属性特征数据包括下述至少一种：

年龄信息、性别信息、定位地点信息、注册时间信息、注册方式信息、注册渠道信息、及历史报名信息；

针对所述第一特征数据包括所述第一用户的辅导教师属性特征数据的情况，所述课程辅导教师特征数据包括下述至少一种：

辅导教师个人属性信息、辅导教师历史沟通信息、辅导教师历史带课记录信息、辅导教师作业批改记录信息。

在一种可选的实施方式中，所述对所述第一特征数据进行行为预测处理，得到与所述第一特征数据对应的多个中间行为预测结果，包括：

利用多个行为预测模型，对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

其中，不同的行为预测模型的类型不同。

在一种可选的实施方式中，所述行为预测模型，包括下述至少一种：

逻辑回归模型、随机森林模型、以及梯度提升模型。

在一种可选的实施方式中，所述基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果，包括：

对所述多个中间行为预测结果进行加权求和，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，训练所述多个行为预测模型，包括：

获取多个样本用户的样本特征数据；

针对所述多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对所述每个样本用户对应的样本特征数据进行行为预测处理，得到与所述每个样本用户对应的多个样本中间行为预测结果；

基于所述每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果；

基于所述多个样本用户分别对应的样本目标行为预测结果，确定所述多个待训练的行为预测模型的模型损失，并基于所述模型损失，对所述多个待训练的行为预测模型进行训练；

经过对多个所述待训练的行为预测模型的多轮训练，得到训练好的所述多个行为预测模型。

在一种可选的实施方式中，所述样本用户包括：正样本用户、以及负样本用户；

所述获取样本用户的样本特征数据，包括：

获取多个第三用户分别针对第三课程的续订结果信息；

在所述续订结果信息，指示所述第三用户续订了第三课程的情况下，将所述第三用户确定为正样本用户，并基于所述第三课程中至少一节课的下课时间、以及所述第三用户续订所述第三课程的时间，确定所述第三用户的样本数据；

在所述续订结果信息指示所述第三用户未续订所述第三课程的情况下，将所述第三用户确定为负样本用户，并基于所述第三课程中第n节课的下课时间，确定所述第三用户的样本数据。

在一种可选的实施方式中，所述多个中间行为预测结果、及所述目标行为预测结果，包括下述至少一种：

所述第一用户续订所述目标课程的概率值、以及所述第一用户续订所述目标课程的意向程度等级。

第三方面，本公开实施例还提供一种行为预测装置，包括：

第一获取模块，用于获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

第一处理模块，用于对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

第一确定模块，用于基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，所述第一获取模块在获取第一用户的第一特征数据时，用于：

获取所述目标课程的第一开课时间、以及预设时段；其中，所述预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与所述历史课程的第二开课时间之间的时间差确定的；

基于所述第一开课时间以及所述预设时段，确定获取所述第一特征数据的目标时间；

基于所述目标时间，获取所述第一特征数据。

在一种可选的实施方式中，针对所述第一特征数据包括所述第一用户的行为特征数据的情况，所述行为特征数据包括下述至少一种：

互动问答参与度信息、课程回放次数、课堂小测结果信息、课程学币使用分配信息、作业完成结果信息、多学科课程分别对应的学习记录信息、用户历史沟通信息、课程签到信息、及课程报名页面操作信息；

针对所述第一特征数据包括所述第一用户的用户属性特征数据的情况，所述用户属性特征数据包括下述至少一种：

年龄信息、性别信息、定位地点信息、注册时间信息、注册方式信息、注册渠道信息、及历史报名信息；

针对所述第一特征数据包括所述第一用户的辅导教师属性特征数据的情况，所述课程辅导教师特征数据包括下述至少一种：

辅导教师个人属性信息、辅导教师历史沟通信息、辅导教师历史带课记录信息、辅导教师作业批改记录信息。

在一种可选的实施方式中，所述第一处理模块在对所述第一特征数据进行行为预测处理，得到与所述第一特征数据对应的多个中间行为预测结果时，用于：

利用多个行为预测模型，对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

其中，不同的行为预测模型的类型不同。

在一种可选的实施方式中，所述行为预测模型，包括下述至少一种：

逻辑回归模型、随机森林模型、以及梯度提升模型。

在一种可选的实施方式中，所述第一确定模块在基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果时，用于：

对所述多个中间行为预测结果进行加权求和，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，还包括第一模型训练模块，在训练所述多个行为预测模型时，用于：

获取多个样本用户的样本特征数据；

针对所述多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对所述每个样本用户对应的样本特征数据进行行为预测处理，得到与所述每个样本用户对应的多个样本中间行为预测结果；

基于所述每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果；

基于所述多个样本用户分别对应的样本目标行为预测结果，确定所述多个待训练的行为预测模型的模型损失，并基于所述模型损失，对所述多个待训练的行为预测模型进行训练；

经过对多个所述待训练的行为预测模型的多轮训练，得到训练好的所述多个行为预测模型。

在一种可选的实施方式中，所述样本用户包括：正样本用户、以及负样本用户；

所述第一模型训练模块在获取样本用户的样本特征数据时，用于：

获取多个第三用户分别针对第三课程的续订结果信息；

在所述续订结果信息，指示所述第三用户续订了第三课程的情况下，将所述第三用户确定为正样本用户，并基于所述第三课程中至少一节课的下课时间、以及所述第三用户续订所述第三课程的时间，确定所述第三用户的样本数据；

在所述续订结果信息指示所述第三用户未续订所述第三课程的情况下，将所述第三用户确定为负样本用户，并基于所述第三课程中第n节课的下课时间，确定所述第三用户的样本数据。

在一种可选的实施方式中，所述多个中间行为预测结果、及所述目标行为预测结果，包括下述至少一种：

所述第一用户续订所述目标课程的概率值、以及所述第一用户续订所述目标课程的意向程度等级。

第四方面，本公开实施例还提供一种信息推送装置，包括：

第二获取模块，用于获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

第二处理模块，用于对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

第二确定模块，用于基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果；

生成模块，用于基于所述第一用户的目标行为预测结果，为所述第一用户生成目标推送信息。

在一种可选的实施方式中，所述第二获取模块在获取第一用户的第一特征数据时，用于：

获取所述目标课程的第一开课时间、以及预设时段；其中，所述预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与所述历史课程的第二开课时间之间的时间差确定的；

基于所述第一开课时间以及所述预设时段，确定获取所述第一特征数据的目标时间；

基于所述目标时间，获取所述第一特征数据。

在一种可选的实施方式中，针对所述第一特征数据包括所述第一用户的行为特征数据的情况，所述行为特征数据包括下述至少一种：

互动问答参与度信息、课程回放次数、课堂小测结果信息、课程学币使用分配信息、作业完成结果信息、多学科课程分别对应的学习记录信息、用户历史沟通信息、课程签到信息、及课程报名页面操作信息；

针对所述第一特征数据包括所述第一用户的用户属性特征数据的情况，所述用户属性特征数据包括下述至少一种：

年龄信息、性别信息、定位地点信息、注册时间信息、注册方式信息、注册渠道信息、及历史报名信息；

针对所述第一特征数据包括所述第一用户的辅导教师属性特征数据的情况，所述课程辅导教师特征数据包括下述至少一种：

辅导教师个人属性信息、辅导教师历史沟通信息、辅导教师历史带课记录信息、辅导教师作业批改记录信息。

在一种可选的实施方式中，所述第二处理模块在对所述第一特征数据进行行为预测处理，得到与所述第一特征数据对应的多个中间行为预测结果时，用于：

利用多个行为预测模型，对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

其中，不同的行为预测模型的类型不同。

在一种可选的实施方式中，所述行为预测模型，包括下述至少一种：

逻辑回归模型、随机森林模型、以及梯度提升模型。

在一种可选的实施方式中，所述第二确定模块在基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果时，用于：

对所述多个中间行为预测结果进行加权求和，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，还包括第二模型训练模块，在训练所述多个行为预测模型时，用于：

获取多个样本用户的样本特征数据；

针对所述多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对所述每个样本用户对应的样本特征数据进行行为预测处理，得到与所述每个样本用户对应的多个样本中间行为预测结果；

基于所述每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果；

基于所述多个样本用户分别对应的样本目标行为预测结果，确定所述多个待训练的行为预测模型的模型损失，并基于所述模型损失，对所述多个待训练的行为预测模型进行训练；

经过对多个所述待训练的行为预测模型的多轮训练，得到训练好的所述多个行为预测模型。

在一种可选的实施方式中，所述样本用户包括：正样本用户、以及负样本用户；

所述第二模型训练模块在获取样本用户的样本特征数据时，用于：

获取多个第三用户分别针对第三课程的续订结果信息；

在所述续订结果信息，指示所述第三用户续订了第三课程的情况下，将所述第三用户确定为正样本用户，并基于所述第三课程中至少一节课的下课时间、以及所述第三用户续订所述第三课程的时间，确定所述第三用户的样本数据；

在所述续订结果信息指示所述第三用户未续订所述第三课程的情况下，将所述第三用户确定为负样本用户，并基于所述第三课程中第n节课的下课时间，确定所述第三用户的样本数据。

在一种可选的实施方式中，所述多个中间行为预测结果、及所述目标行为预测结果，包括下述至少一种：

所述第一用户续订所述目标课程的概率值、以及所述第一用户续订所述目标课程的意向程度等级。

第五方面，本公开可选实现方式还提供一种电子设备，处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述处理器用于执行所述存储器中存储的机器可读指令，所述机器可读指令被所述处理器执行时，所述机器可读指令被所述处理器执行时执行上述第一方面或者第二方面中任一种可能的实施方式中的步骤。

第六方面，本公开可选实现方式还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被运行时执行上述第一方面或者第二方面中任一种可能的实施方式中的步骤。

关于上述行为预测装置、电子设备、及计算机可读存储介质的效果描述参见上述行为预测方法的说明，这里不再赘述；关于上述信息推送装置、电子设备、及计算机可读存储介质的效果描述参见上述信息推送方法的说明，这里同样不再赘述。

本公开实施例提供的行为预测方法、装置、电子设备及存储介质，通过获取表征用户的用户特征的第一特征数据，并对第一特征数据进行行为预测处理，得到多个中间行为预测结果，然后依据多个中间行为预测结果确定目标行为预测结果。这种方法得到的目标行为预测结果的准确性更高。

本公开实施例提供的信息推送方法、装置、电子设备及存储介质，通过获取表征用户的用户特征的第一特征数据，并对第一特征数据进行行为预测处理，得到多个中间行为预测结果，然后依据多个中间行为预测结果确定目标行为预测结果，并根据目标行为预测结果有针对性的确定信息推送的用户，能够更准确的得到用户的目标行为预测结果；在基于更准确的目标行为预测结果向用户推送目标推送信息时具有更强的针对性，可以减少推送信息时造成的资源浪费。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本公开实施例所提供的一种行为预测方法的流程图；

图2示出了本公开实施例所提供的一种获取第一用户的第一特征数据的具体方法的流程图；

图3示出了本公开实施例所提供的一种训练多个行为预测模型的方法的流程图；

图4示出了本公开实施例所提供的一种信息推送方法的流程图；

图5示出了本公开实施例所提供的一种行为预测装置的示意图；

图6示出了本公开实施例所提供的一种信息推送装置的示意图；

图7示出了本公开实施例所提供的一种电子设备结构的示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

经研究发现，在在线教育的应用场景下，对网课学员是否进行课程续订的行为预测通常需要依赖于人工对网课学员的用户数据的分析，比如依赖于教师的经验自身经验对网课学员在一段时间内存储的用户数据进行分析并对网课学员是否续订课程进行判断。这种方法依赖于人工经验进行分析，准确性较差。

另外，在向用户推送信息时，通常面向与目标课程相关的所有用户进行信息推送，也即向所有用户的用户端发送推送信息，这种方法的针对性较差，容易造成推送信息资源的浪费。

基于上述研究，本公开提供了一种行为预测方法，通过对表征用户的用户特征的第一特征数据进行行为预测处理，得到多个中间行为预测结果，并基于得到的多个中间行为预测结果确定目标行为预测结果。这种方法减小了个人经验对用户数据分析判断的影响，因此得到的目标行为预测结果准确性较高。

本公开实施例还提供了一种信息推送方法，由于得到的用户的目标行为预测结果具有更高的准确性，进而在基于目标行为预测结果向用户端推送信息时，针对性较强，可以较大程度的避免对推送信息资源的浪费。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

为便于对本实施例进行理解，首先对本公开实施例所公开的一种行为预测方法进行详细介绍，本公开实施例所提供的行为预测方法的执行主体一般为具有一定计算能力的电子设备，该电子设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该行为预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

下面以执行主体为服务器为例，对本公开实施例提供的行为预测方法加以说明。

参见图1所示，为本公开实施例提供的行为预测方法的流程图，所述方法包括步骤S101～S103，其中：

S101：获取第一用户的第一特征数据；第一特征数据包括下述至少一种：第一用户在进行目标课程学习时的行为特征数据、第一用户的用户属性特征数据、以及第一课程的辅导教师属性特征数据；

S102：对第一特征数据进行行为预测处理，得到与第一用户对应的多个中间行为预测结果；

S103：基于多个中间行为预测结果，得到第一用户的目标行为预测结果。

本公开实施例通过获取表征用户的用户特征的第一特征数据，该第一特征数据中包括了第一用户在进行目标课程学习时的行为特征数据、第一用户的用户属性特征数据、以及第一课程的辅导教师属性特征数据中的至少一种；基于这样的第一特征数据对用户进行行为预测处理得到的目标行为预测结果的准确性更高。

下面对上述S101～S103加以详细说明。

针对上述S101，第一用户例如包括参与在线课程学习的学生、学员或者参与直播互动的观众等；或者，包括参与线下课程的学生、学员或者参与线下统计分析的人员等。

在具体实施中，以在线教育场景为例，第一用户例如可以采用下述方式确定：

确定目标课程，目标课程例如包括英语课程、语文课程、数学课程、注册会计师课程、编程课程等。在确定目标课程后，可以依据确定的目标课程确定第一用户。

示例性的，在确定目标课程为英语课程的情况下，可以确定下述至少一种用户：进行过英语课程咨询的用户、曾经参与英语课程的用户、曾经参与英语课程体验版的用户、曾经浏览过英语课程信息的用户、及正在进行英语课程的用户，并从中筛选出尚未续订或者购买(在进行行为预测的时间点之前)该英语课程的用户；以及，将筛选出的用户作为第一用户。

在确定了第一用户后，即能够获取第一用户的第一特征数据。

第一特征数据包括下述①～③中至少一种：

①：第一用户在进行目标课程学习时的行为特征数据。

在具体实施中，在学生进行线上或者线下课程学习的时候，会产生一系列的行为；基于学生的行为，能够得到学生的在进行目标课程学习时的行为特征数据。

在课程为线上课程的情况下，提供线上课程服务的计算机系统能够记录学生在进行课程学习时的各种行为信息；在需要确定学生的行为特征数据时，服务器可以直接调用计算机系统所存储的学生的行为信息，生成学生的行为特征数据。

在课程为线下课程的情况下，辅导教师可以记录学生在进行线下课程学习时的各种行为信息；在需要确定学生的行为特征数据时，辅导教师可以将其所记录的学生的行为信息上传至用于进行预测用户行为预设的服务器，服务器基于辅导教师上传的行为信息，生成学生的行为特征数据。

行为特征数据包括下述a1～a9至少一种：

a1：互动问答参与度信息：第一用户在课程中进行的例如举手、答题、及提问的次数、连麦次数、及辅导教师表扬次数。

a2：课程回放次数：第一用户在课程结束之后重新回放课程的次数。

a3：课堂小测结果信息：第一用户在课堂小测中的作答次数、作答题目、及作答正确率。

a4：课程学币使用分配信息：第一用户接收到的课程学币数量；其中，课程学币例如可以是购买的，或者可以是辅导教师在课程中奖励学生的课程学币。

a5：作业完成结果信息：第一用户的作业提交次数、作业提交率、及作业作答正确率。

a6：多学科课程分别对应的学习记录信息：第一用户进行的多个学科课程分别对应的学习记录信息。

a7：用户历史沟通信息：第一用户与辅导教师沟通记录信息以及与其他用户的沟通记录信息。

a8：课程签到信息：第一用户的到课次数、到课率、完课次数、完课率、迟到时长、迟到次数、迟到率、早退时长、早退次数、及早退率。

a9：页面浏览历史记录信息：第一用户在课程相关页面的浏览次数、评论点击次数、课程详情页点击次数、点击客服次数、总浏览时长、及平均浏览时长。

②：第一用户的用户属性特征数据。

用户属性特征数据包括下述b1～b7至少一种：

b1：年龄属性信息。

b2：性别属性信息。

b3：定位地点信息：第一用户在注册时使用的电子设备在定位时得到的定位地点信息、以及第一用户在进行课程学习时使用的电子设备在定位时得到的定位地点信息、以及第一用户主动填写的地点信息等。

b4：注册时间信息：第一用户在对应在线教育平台上注册个人账号的注册时间、以及注册时间距离开课的时间间隔。

b5：注册方式信息：第一用户注册个人账户时使用的手机号码、邮箱地址、社交账号(如微信、QQ、微博等)。

b6：注册渠道信息：第一用户注册账户时通过的微信群、微信小程序、微信公众号、QQ空间、微信朋友圈、微博广告、嵌入了落地页的网页或者应用程序等。例如，在低价课或者免费课的广告页面中点击相关链接进行注册的行为，利用推荐码进行注册的行为，利用加老师为好友进行注册的行为等等。

b7：历史报名信息：第一用户是否报名过正价课及报名次数。

③：第一课程的辅导教师属性特征数据。

辅导教师属性特征数据包括下述c1～c4至少一种：

c1：辅导教师个人属性信息：辅导教师的入职时间、性别、年龄、所属分部、职务(例如包括：组员、组长、大组长)、特长、授课特点及学历。

c2：辅导教师历史沟通信息：辅导教师与第一用户的沟通时长、最长通话时间、平均通话时长、沟通次数、及催到课次数。

c3：辅导教师历史代课记录信息：辅导教师历史带班次数、历史续班率、及历史加好友率。

c4：辅导教师作业批改记录信息：辅导教师辅导的学生的作业提交率、作业批改率、作业未批改率、辅导老师的作业完成率。

参见图2所示，本公开实施例还提供了一种获取第一用户的第一特征数据的具体方法，包括：

S201：获取目标课程的第一开课时间、以及预设时段；其中，预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与历史课程的第二开课时间之间的时间差确定的。

在一种可能的实施方式中，在确定目标课程的情况下，可以确定目标课程在最近一期历史开课时间作为第一开课时间。

示例性的，在确定目标课程包括英语课程的情况下，英语课程例如可以按照一周一次的频率进行课程安排，并按照季度划分课程期数。在当前时间为第二季度的情况下，也即英语课程进行至第二期时，可以将英语课程在第二季度第一周的开课时间作为第一开课时间。

预设时段例如可以通过下述方式确定：确定多个第二用户；针对多个第二用户中的每个第二用户，获取第二用户在续订历史课程的历史续订时间与历史课程的第二开课时间；利用第二用户在续订历史课程的历史续订时间与历史课程的第二开课时间计算时间间隔，并将时间间隔作为预设时段。

在具体实施中，多个第二用户均有续订历史课程的行为，历史课程可以包括目标课程，或者包括与目标课程出现续班高峰期时刻相似的其他课程，具体确定续订课程的方法在此不再赘述。

此时，预设时段用于表征自第一开课时间起达到续班高峰期经过的时间长度，例如为3天、4天或者5天。

承接上述S201，获取第一用户的第一特征数据的具体方法还包括：

S202：基于第一开课时间以及预设时段，确定获取第一特征数据的目标时间。

在确定第一开课是时间以及预设时段的情况下，例如可以在第一开课时间的基础上增加预设时段的时长，并将得到的时间点作为用于确定第一特征数据的目标时间。

S203：基于目标时间，获取第一特征数据。

在一种可能的实施方式中，在基于目标时间获取第一特征数据的情况下，可以确定至少一个行为预测时间；将每个行为预测时间作为截止时间，并依据截止时间获取第一特征数据。

在第一次获取第一特征数据的情况下，可以将目标时间作为截止时间确定在截止时间之前第一用户在进行目标课程中的第一特征数据。在第二次获取第一特征数据的情况下，可以基于目标时间和预设数据获取间隔确定截止时间，并基于截止时间确定第一特征数据。此时，预设数据获取间隔用于表征相邻两次截止时间之间的时间间隔长度，例如为1天或者2天。

由于对应第一用户存储的数据类型不同，且数据量较大，因此在确定第一特征数据前，还包括存储的第一用户的数据进行特征处理，其中，特征处理的方法包括但不限于下述至少一种：缺失值处理、特征离散化处理、特征选择处理、特征交叉处理、及特征归一化处理。

示例性的，在特征处理包括缺失值处理的情况下，可以将缺失的数据使用与确定数据属性相同的其他数据的众数进行填充。例如在获取五次课程签到信息时，只获取到四次已签到的签到记录，存在一个不确定是否已签到的签到记录的情况下，对不确定的签到信息填充已签到的记录。

在特征处理包括特征离散化处理的情况下，可以将不具备大小意义的特征，例如包括定位地点信息(包括省份、城市)进行独热编码(one-hot)操作，将特征转化为可计算处理的向量。

在特征处理包括特征选择处理的情况下，例如可以对存储的数据进行特征相关性分析，并选择代表特征，去除高相关的特征。此时，还可以去除部分特征相关度较高的数据以减少需要进行处理的数据量。

在特征处理包括特征归一化的情况下，例如可以将存储的数据映射到预设区间上，预设区间例如为[0,1]，以减小异常数据带来的影响。

在进行了特征处理后，即能够得到可用于计算机处理的第一特征数据。

针对上述S102，在对第一特征数据进行行为预测处理时，例如可以利用多个行为预测模型，以得到与第一用户对应的多个中间行为预测结果。其中，不同行为预测模型的类型不同。

在一种可选的实施方式中，行为预测模型包括下述至少一种：逻辑回归模型、随机森林模型、以及梯度提升模型。

在利用逻辑回归模型对第一特征数据进行行为预测处理的情况下，由于逻辑回归模型的训练速度较快，因此可以提高对第一特征数据的预测处理速度，从而提高预测处理的效率；在利用随机森林模型对第一特征数据进行行为预测处理的情况下，由于随机森林模型在个体学习器数量增加的情况下，通常会收敛到较低的泛化误差，因此可以提高行为预测处理结果的准确性；在利用梯度提升模型对第一特征数据进行行为预测处理的情况下，由于梯度提升模型可以将弱学习器提升为强学习器，也即在预测处理时学习目标二分类的逻辑回归时最小化分类误差，从而使行为预测处理结果更准确。

参见图3所示，本公开实施例提供了一种训练多个行为预测模型的方法，包括：

S301：获取多个样本用户的样本特征数据。

其中，多个样本用户包括正样本用户、以及负样本用户。在获取样本用户的样本特征数据时，例如可以采用下述方法：

获取多个第三用户分别针对第三课程的续订结果信息；

在续订结果信息，指示第三用户续订了第三课程的情况下，将第三用户确定为正样本用户，并基于第三课程中至少一节课的下课时间、以及第三用户续订第三课程的时间，确定第三用户的样本数据；

在续订结果信息指示第三用户未续订第三课程的情况下，将第三用户确定为负样本用户，并基于第三课程中第n节课的下课时间，确定第三用户的样本数据。

此时，可以将正样本用户标记为L

在一种可能的实施方式中，对于正样本用户L

此时，例如可以将第一节课的下课时间表示为T

在

在

在

对于负样本用户L

S302：针对多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对每个样本用户对应的样本特征数据进行行为预测处理，得到与每个样本用户对应的多个样本中间行为预测结果；

S303：基于每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果。

此处，利用多个待训练的行为预测模型对样本特征数据进行行为预测处理的方式，与上述S102中对第一特征数据进行行为预测处理的方式相似，在此不再赘述。

S304：基于多个样本用户分别对应的样本目标行为预测结果，确定多个待训练的行为预测模型的模型损失，并基于模型损失，对多个待训练的行为预测模型进行训练；

S305：经过对多个待训练的行为预测模型的多轮训练，得到训练好的多个行为预测模型。

以包含三种不同的行为预测模型M

(1)：在一种可能的实施方式中，模型损失包括三种不同的行为预测模型M

此时，三种不同的行为预测模型M

以行为预测模型M

同样的，确定行为预测模型M

(2)：在一种可能的实施方式中，模型损失包括利用三种不同的行为预测模型M

其中，三种不同的行为预测模型M

在确定模型损失的情况下，可以根据模型损失对多个待训练的行为预测模型进行训练。

在模型损失包括第一损失的情况下，利用第一损失对多个待训练的行为预测模型进行训练的方法包括下述至少一种：

利用第一损失中与行为预测模型M

在模型损失包括第二损失的情况下，利用第二损失对多个待训练的行为预测模型进行训练的方法包括：利用第二损失Los

此时，还可以利用多个样本用户对应的样本特征数据对多个待训练的行为预测模型进行多轮训练，得到训练好的多个行为预测模型。多轮训练的具体过程在此不再赘述。

在得到训练好的多个行为预测模型的情况下，可以利用多个行为预测模型得到的与第一用户对应的多个中间行为预测结果，第i个中间行为预测结果例如可以表示为P

其中，针对多个中间行为预测结果中的任一中间行为预测结果，包括下述至少一种：第一用户进行课程续订的概率值、第一用户进行课程续订的意向程度等级。

示例性的，在中间行为预测结果包括第一用户进行课程续订的概率值的情况下，可以将利用行为预测模型对第一特征数据进行行为预测处理得到的结果，也即得到的意向概率值，例如包括20％、50％、及90％作为中间行为预测结果。

在中间行为预测结果包括第一用户进行课程续订的意向程度等级的情况下，还可以预先确定多个意向程度等级区间，每个意向程度等级区间对应一意向程度等级；在得到的意向概率值落入某个意向程度等级区间的时候，将该意向程度等级区间对应的意向程度等级，确定为中间行为预测结果。

示例性的，在意向概率值小于或者等于30％的情况下，意向程度等级设置为1；在意向概率值大于30％且小于70％的情况下，意向程度等级设置为2；在意向概率值大于或者等于70％的情况下，意向程度等级设置为3。也即意向程度等级越高，表征第一用户进行课程续订的概率越高。

针对上述S103，在基于多个中间行为预测结果，得到第一用户的目标行为预测结果时，例如可以采用下述方法：对多个中间行为预测结果进行加权求和，得到第一用户的目标行为预测结果。

其中，目标行为预测结果包括下述至少一种：第一用户进行课程续订的概率值、第一用户进行课程续订的意向程度等级。

在一种可能的实施方式中，在利用第一损失对待训练的行为预测模型M

在另一种可能的实施方式中，在利用第一损失对不同种类行为预测模型分别对应的权重值λ

其中，目标行为预测结果的形式与上述S102中的中间行为预测结果的形式相似，在此不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

参见图4所示，本公开实施例还提供一种信息推送方法，包括：

S401：获取第一用户的第一特征数据；第一特征数据包括下述至少一种：第一用户在进行目标课程学习时的行为特征数据、第一用户的用户属性特征数据、以及第一课程的辅导教师属性特征数据；

S402：对第一特征数据进行行为预测处理，得到与第一用户对应的多个中间行为预测结果；

S403：基于多个中间行为预测结果，得到第一用户的目标行为预测结果；

S404：基于第一用户的目标行为预测结果，为第一用户生成目标推送信息。

本公开实施例通过确定目标行为预测结果，根据本公开实施例提供的行为预测方法得到用户的目标行为预测结果；由于本公开实施例提供的行为预测方法得到用户的目标行为预测结果具有更高的精度，因此能够根据目标行为预测结果有针对性的确定信息推送的用户，实现向用户对应的用户端推送目标推送信息时具有更强的针对性，减少推送信息时造成的资源浪费。

其中，本公开实施例提供的信息推送的方法中，得到目标行为预测结果的方法与上述行为预测的方法相似，在此不再赘述。

在得到目标用户的目标行为预测结果后，在为第一用户生成目标推送信息时，示例性的，针对续订课程意向较强的用户，可以为其推送仅包含目标课程的相关信息，如课程介绍信息、课程优惠信息等；针对续订课程意向较弱的用户，除了目标课程的相关信息外，还可以为其推送可能会增加其续订课程意向的其他信息。

另外，针对续订课程意向较强、和较弱的用户，不为其推送信息；针对续订课程意有一定意向的用户，可以向其推送包含目标课程的相关信息。

基于同一发明构思，本公开实施例中还提供了与行为预测方法对应的行为预测装置、以及与信息推送方法对应的信息推送装置，由于本公开实施例中的行为预测装置解决问题的原理与本公开实施例上述行为预测方法相似，且信息推送装置解决问题的原理与本公开实施例上述信息推送方法相似，因此行为预测装置的实施可以参见行为预测方法的实施、信息推送装置的实施可以参见行为信息推送方法的实施重复之处不再赘述。

参见图5所示，为本公开实施例提供的一种行为预测装置的示意图，所述装置包括：第一获取模块51、第一处理模块52、及第一确定模块53；其中，

第一获取模块51，用于获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

第一处理模块52，用于对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

第一确定模块53，用于基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，所述第一获取模块51在获取第一用户的第一特征数据时，用于：

获取所述目标课程的第一开课时间、以及预设时段；其中，所述预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与所述历史课程的第二开课时间之间的时间差确定的；

基于所述第一开课时间以及所述预设时段，确定获取所述第一特征数据的目标时间；

基于所述目标时间，获取所述第一特征数据。

在一种可选的实施方式中，针对所述第一特征数据包括所述第一用户的行为特征数据的情况，所述行为特征数据包括下述至少一种：

互动问答参与度信息、课程回放次数、课堂小测结果信息、课程学币使用分配信息、作业完成结果信息、多学科课程分别对应的学习记录信息、用户历史沟通信息、课程签到信息、及课程报名页面操作信息；

针对所述第一特征数据包括所述第一用户的用户属性特征数据的情况，所述用户属性特征数据包括下述至少一种：

年龄信息、性别信息、定位地点信息、注册时间信息、注册方式信息、注册渠道信息、及历史报名信息；

针对所述第一特征数据包括所述第一用户的辅导教师属性特征数据的情况，所述课程辅导教师特征数据包括下述至少一种：

辅导教师个人属性信息、辅导教师历史沟通信息、辅导教师历史带课记录信息、辅导教师作业批改记录信息。

在一种可选的实施方式中，所述第一处理模块52在对所述第一特征数据进行行为预测处理，得到与所述第一特征数据对应的多个中间行为预测结果时，用于：

利用多个行为预测模型，对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

其中，不同的行为预测模型的类型不同。

在一种可选的实施方式中，所述行为预测模型，包括下述至少一种：

逻辑回归模型、随机森林模型、以及梯度提升模型。

在一种可选的实施方式中，所述第一确定模块53在基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果时，用于：

对所述多个中间行为预测结果进行加权求和，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，还包括第一模型训练模块54，在训练所述多个行为预测模型时，用于：

获取多个样本用户的样本特征数据；

针对所述多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对所述每个样本用户对应的样本特征数据进行行为预测处理，得到与所述每个样本用户对应的多个样本中间行为预测结果；

基于所述每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果；

基于所述多个样本用户分别对应的样本目标行为预测结果，确定所述多个待训练的行为预测模型的模型损失，并基于所述模型损失，对所述多个待训练的行为预测模型进行训练；

经过对多个所述待训练的行为预测模型的多轮训练，得到训练好的所述多个行为预测模型。

在一种可选的实施方式中，所述样本用户包括：正样本用户、以及负样本用户；

所述第一模型训练模块54在获取样本用户的样本特征数据时，用于：

获取多个第三用户分别针对第三课程的续订结果信息；

在所述续订结果信息，指示所述第三用户续订了第三课程的情况下，将所述第三用户确定为正样本用户，并基于所述第三课程中至少一节课的下课时间、以及所述第三用户续订所述第三课程的时间，确定所述第三用户的样本数据；

在所述续订结果信息指示所述第三用户未续订所述第三课程的情况下，将所述第三用户确定为负样本用户，并基于所述第三课程中第n节课的下课时间，确定所述第三用户的样本数据。

在一种可选的实施方式中，所述多个中间行为预测结果、及所述目标行为预测结果，包括下述至少一种：

所述第一用户续订所述目标课程的概率值、以及所述第一用户续订所述目标课程的意向程度等级。

参见图6所示，为本公开实施例提供的一种信息推送装置的示意图，所述装置包括：第二获取模块61、第二处理模块62、第二确定模块63、及生成模块64；其中，

第二获取模块61，用于获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

第二处理模块62，用于对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

第二确定模块63，用于基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果；

生成模块64，用于基于所述第一用户的目标行为预测结果，为所述第一用户生成目标推送信息。

在一种可选的实施方式中，所述第二获取模块61在获取第一用户的第一特征数据时，用于：

获取所述目标课程的第一开课时间、以及预设时段；其中，所述预设时段是基于多个第二用户对历史课程进行续订的历史续订时间与所述历史课程的第二开课时间之间的时间差确定的；

基于所述第一开课时间以及所述预设时段，确定获取所述第一特征数据的目标时间；

基于所述目标时间，获取所述第一特征数据。

在一种可选的实施方式中，针对所述第一特征数据包括所述第一用户的行为特征数据的情况，所述行为特征数据包括下述至少一种：

互动问答参与度信息、课程回放次数、课堂小测结果信息、课程学币使用分配信息、作业完成结果信息、多学科课程分别对应的学习记录信息、用户历史沟通信息、课程签到信息、及课程报名页面操作信息；

针对所述第一特征数据包括所述第一用户的用户属性特征数据的情况，所述用户属性特征数据包括下述至少一种：

年龄信息、性别信息、定位地点信息、注册时间信息、注册方式信息、注册渠道信息、及历史报名信息；

针对所述第一特征数据包括所述第一用户的辅导教师属性特征数据的情况，所述课程辅导教师特征数据包括下述至少一种：

辅导教师个人属性信息、辅导教师历史沟通信息、辅导教师历史带课记录信息、辅导教师作业批改记录信息。

在一种可选的实施方式中，所述第二处理模块62在对所述第一特征数据进行行为预测处理，得到与所述第一特征数据对应的多个中间行为预测结果时，用于：

利用多个行为预测模型，对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

其中，不同的行为预测模型的类型不同。

在一种可选的实施方式中，所述行为预测模型，包括下述至少一种：

逻辑回归模型、随机森林模型、以及梯度提升模型。

在一种可选的实施方式中，所述第二确定模块63在基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果时，用于：

对所述多个中间行为预测结果进行加权求和，得到所述第一用户的目标行为预测结果。

在一种可选的实施方式中，还包括第二模型训练模块65，在训练所述多个行为预测模型时，用于：

获取多个样本用户的样本特征数据；

针对所述多个样本用户中的每个样本用户，利用多个待训练的行为预测模型中的每个待训练的行为预测模型，对所述每个样本用户对应的样本特征数据进行行为预测处理，得到与所述每个样本用户对应的多个样本中间行为预测结果；

基于所述每个样本用户对应的多个样本中间行为预测结果，得到样本目标行为预测结果；

基于所述多个样本用户分别对应的样本目标行为预测结果，确定所述多个待训练的行为预测模型的模型损失，并基于所述模型损失，对所述多个待训练的行为预测模型进行训练；

经过对多个所述待训练的行为预测模型的多轮训练，得到训练好的所述多个行为预测模型。

在一种可选的实施方式中，所述样本用户包括：正样本用户、以及负样本用户；

所述第二模型训练模块65在获取样本用户的样本特征数据时，用于：

获取多个第三用户分别针对第三课程的续订结果信息；

在所述续订结果信息，指示所述第三用户续订了第三课程的情况下，将所述第三用户确定为正样本用户，并基于所述第三课程中至少一节课的下课时间、以及所述第三用户续订所述第三课程的时间，确定所述第三用户的样本数据；

在所述续订结果信息指示所述第三用户未续订所述第三课程的情况下，将所述第三用户确定为负样本用户，并基于所述第三课程中第n节课的下课时间，确定所述第三用户的样本数据。

在一种可选的实施方式中，所述多个中间行为预测结果、及所述目标行为预测结果，包括下述至少一种：

所述第一用户续订所述目标课程的概率值、以及所述第一用户续订所述目标课程的意向程度等级。

关于行为预测装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述行为预测方法实施例中的相关说明，且关于信息推送装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述行为信息推送方法实施例中的相关说明，这里不再详述。

本公开实施例还提供了一种电子设备，如图7所示，为本公开实施例提供的电子设备结构示意图，包括：

处理器71和存储器72；所述存储器72存储有处理器71可执行的机器可读指令，处理器71用于执行存储器72中存储的机器可读指令，所述机器可读指令被处理器71执行时，处理器71执行下述步骤：

获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果。

或者，处理器71执行下述步骤：

获取第一用户的第一特征数据；所述第一特征数据包括下述至少一种：所述第一用户在进行目标课程学习时的行为特征数据、所述第一用户的用户属性特征数据、以及所述第一课程的辅导教师属性特征数据；

对所述第一特征数据进行行为预测处理，得到与所述第一用户对应的多个中间行为预测结果；

基于所述多个中间行为预测结果，得到所述第一用户的目标行为预测结果；

基于所述第一用户的目标行为预测结果，为所述第一用户生成目标推送信息。

上述存储器72包括内存721和外部存储器722；这里的内存721也称内存储器，用于暂时存放处理器71中的运算数据，以及与硬盘等外部存储器722交换的数据，处理器71通过内存721与外部存储器722进行数据交换。

上述指令的具体执行过程可以参考本公开实施例中所述的行为预测方法的步骤，或者信息推送方法的步骤，此处不再赘述。

本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的行为预测方法的步骤，或者信息推送方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。

本公开实施例还提供一种计算机程序产品，该计算机程序产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的行为预测、信息推送方法的步骤，具体可参见上述方法实施例，在此不再赘述。

其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。